Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Siêu phân giải hình ảnh Bayes và mô hình hóa biến ẩn
Tóm tắt
Siêu phân giải là một kỹ thuật xử lý hình ảnh ước lượng một hình ảnh gốc có độ phân giải cao từ những quan sát có độ phân giải thấp và bị suy giảm. Trong các nhiệm vụ siêu phân giải, đã có những vấn đề liên quan đến chi phí tính toán cho việc ước lượng các biến có nhiều chiều. Những vấn đề này đang được khắc phục nhờ sự phát triển gần đây của các máy tính nhanh và sự phát triển của các kỹ thuật tính toán mạnh mẽ như xấp xỉ Bayes biến thiên. Bài báo này đánh giá một cách tiếp cận Bayes đối với vấn đề siêu phân giải và trình bày các mở rộng của nó dựa trên mô hình phân cấp bằng cách sử dụng các biến ẩn.
Từ khóa
#siêu phân giải #xử lý hình ảnh #Bayes #mô hình phân cấp #biến ẩnTài liệu tham khảo
S. Borman and R. L. Stevenson, Spatial resolution enhancement of low-resolution image sequences: A comprehensive review with directions for future research, Technical Report, Dept. of Electrical Engineering, University of Notre Dame, 1998.
S. C. Park, M. K. Park, and M. G. Kang, Super-resolution image reconstruction: A technical overview, IEEE Signal Process. Mag., 2003, 20(3): 21–36.
S. Farsiu, D. Robinson, M. Elad, and P. Milanfar, Advances and challenges in super-resolution, Int. J. Imag. Syst. Tech., 2004, 14(2): 47–57.
A. K. Katsaggelos, R. Molina, and J. Mateos, Super Resolution of Images and Video, Morgan & Claypool, San Rafael, CA, 2007.
W. T. Freeman, T. R. Jones, and E. C. Pasztor, Example-based super-resolution, IEEE Comput. Graphics Appl., 2002, 22(2): 56–65.
M. E. Tipping and C. M. Bishop, Bayesian image super-resolution, in Advances in Neural Information Processing Systems (NIPS) 15 (eds. by S. Becker, S. Thrun, and K. Obermayer), MIT Press, Cambridge, MA, 2003, 1279–1286.
A. Kanemura, S. Maeda, and S. Ishii, Edge-preserving Bayesian image superresolution based on compound Markov random fields, in Proc. International Conference on Artificial Neural Networks (ICANN) (ed. by J. Marques de Sá), LNCS 4669, Springer, 2007, II-611-620.
A. Kanemura, S. Maeda, and S. Ishii, Image superresolution under spatially structured noise, Proc. IEEE International Symposium on Signal Processing and Information Technology (ISSPIT), 2007, 279–284.
W. Fukuda, S. Maeda, A. Kanemura, and S. Ishii, Bayesian image superresolution under moving occlusion (in Japanese), in IEICE Technical Report, 2008, 107(542): 237–242.
R. Y. Tsai and T. S. Huang, Multiframe image restoration and registration, in Advances in Computer Vision and Image Processing, JAI Press, Greenwich, CT, 1984, 1: 317–339.
M. Irani and S. Peleg, Improving resolution by image registration, CVGIP: Graph. Model. Im., 1991, 53(3): 231–239.
H. Stark and P. Oskoui, High resolution image recovery from image-plane arrays, using convex projections, J. Opt. Soc. Am. A, 1989, 6: 1715–1726.
R. R. Schultz and R. L. Stevenson, Extraction of high-resolution frames from video sequences, IEEE Trans. Image Process., 1996, 5(6): 996–1011.
S. Z. Li, Markov Random Field Modeling in Image Analysis, Springer, Tokyo, 2001.
G. Winkler, Image Analysis, Random Fields, and Markov Chain Monte Carlo Methods (2nd ed.), Springer, Heidelberg, 2003.
R. C. Hardie, K. J. Barnard, and E. E. Armstrong, Joint MAP registration and high-resolution image estimation using a sequence of undersampled images, IEEE Trans. Image Process., 1997, 6(12): 1621–1633.
C. Bouman and K. Sauer, A generalized Gaussian image model for edge-preserving MAP estimation, IEEE Trans. Image Process., 1993, 2(3): 296–310.
S. Farsiu, D. Robinson, M. Elad, and P. Milanfar, Fast and robust multiframe super resolution, IEEE Trans. Image Process., 2004, 13(10): 1327–1344.
N. A. Woods, N. P. Galatsanos, and A. K. Katsaggelos, Stochastic methods for joint registration, restoration, and interpolation of multiple undersampled images, IEEE Trans. Image Process., 2006, 15(1): 201–213.
A. Rosenfeld and A. C. Kak, Digital Picture Processing (2nd ed.), Academic Press, New York, 1976.
L. C. Pickup, D. P. Capel, S. J. Roberts, and A. Zisserman, Bayesian methods for image superresolution, Comput. J., 2007, bxm091, Advance Access.
A. P. Dempster, N. M. Laird, and D. B. Rubin, Maximum likelihood from incomplete data via the EM algorithm, J. Roy. Stat. Soc. B, 1977, 39(1): 1–38.
R. M. Neal and G. E. Hinton, A view of the EM algorithm that justifies incremental, sparse, and other variants, in Learning in Graphical Models (ed. by M. I. Jordan), Kluwer Academic Press, Dordrecht, 1998, 355–368.
C. M. Bishop, Pattern Recognition and Machine Learning, Springer, New York, 2006.
S. Kullback, Information Theory and Statistics, John Wiley and Sons, New York, 1959, (Reprinted by Dover, 1997).
S. Geman and D. Geman, Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images, IEEE Trans. Pattern Anal. Mach. Intell., 1984, PAMI-6(6): 721–741.
F. C. Jeng and J. W. Woods, Compound Gauss-Markov random fields for image estimation, IEEE Trans. Signal Process., 1991, 39(3): 683–697.
F. C. Jeng and J. W. Woods, Simulated annealing in compound Gaussian random fields, IEEE Trans. Inf. Theory, 1990, 36(1): 94–107.
M. I. Jordan, Z. Ghahramani, T. S. Jaakkola, and L. K. Saul, An introduction to variational methods for graphical models, Mach. Learn., November 1999, 37(2): 183–233.
C. M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, New York, 1995.
J. A. Nelder and R. Mead, A simplex method for function minimization, Comput. J., 1965, 7: 308–313.